GG-CNN vs Contact-GraspNet vs AnyGrasp：抓取偵測方法該怎麼選

三種方法解決的其實是不同層級的問題

把 GG-CNN、Contact-GraspNet、AnyGrasp 放在一起比較之前，先要釐清一件事：這三者發表的時間跨度將近五年（2018、2021、2023），彼此不是同一個問題的三種平行解法，而是抓取偵測這個研究方向一路往「更高自由度、更複雜場景、更接近真實部署」演進的三個階段性代表——後者往往是站在前者指出的侷限上，刻意補上一塊既有方法做不到的能力。理解這條演進脈絡，選型問題常常會從「哪個比較強」變成「我的場景需要哪個階段的能力」。

輸出自由度：從 3 維平面抓取到稠密 6 自由度

GG-CNN 把抓取偵測簡化成對每個像素輸出品質、角度、寬度三張圖，本質上只描述由上往下的平面抓取（3 個自由度）。這個簡化直接換來極輕量的網路（62K 參數）與極低的推論延遲（約 6 毫秒），但代價是完全無法處理需要側面或任意角度接近的物體——手臂只能固定垂直向下靠近。

Contact-GraspNet 把問題拉高到完整的 6 自由度，但用了一個關鍵的參數化技巧把學習難度壓回可控範圍：強制夾爪的接觸點必須落在場景點雲實際觀測到的點上，讓網路只需要額外預測旋轉與寬度，等效把 6 維問題降維成 4 維再學習。這一步設計決策直接決定了它能端到端訓練、且訓練資料效率優於直接回歸完整 6 維姿態的方法。

AnyGrasp 同樣輸出完整 6 自由度抓取，但更進一步要求輸出必須「稠密」——單一場景一次輸出高達 1024 個抓取候選，而不是像前兩者那樣專注在找出單一或少量最佳解。這個稠密設計本身不是為了准確率，而是後面時序追蹤模組能夠成立的前提。

場景複雜度與即時性

三者對「即時」的定義也隨著問題複雜度水漲船高。GG-CNN 的 50Hz 是在單一物體或簡單雜亂場景、且只需平面抓取的前提下達成；Contact-GraspNet 處理的是雜亂場景（cluttered scene）下的完整 6 自由度抓取生成，一次前向傳播就要處理點雲上大量候選點的姿態與品質預測，運算量明顯高於 GG-CNN，但仍然是端到端、單次推論即可完成，不需要像早期取樣評分法那樣反覆疊代候選。AnyGrasp 在此基礎上還要額外跑時序關聯模組，換來的是在真實機器人上達到每小時 900 次以上抓取的部署等級速度——這個指標本身就代表 AnyGrasp 從設計目標上就是瞄準真實世界持續運作的場景，而不是單張影像的離線準確率。

時序追蹤能力：唯一的關鍵分水嶺

這是三者裡最本質的能力差異。GG-CNN 與 Contact-GraspNet 都是針對靜態場景設計——輸入一張影像或一幀點雲，輸出當下的抓取姿態，完全沒有考慮物體在抓取過程中被碰到、被推移的情況；如果場景裡物體真的移動了，這兩種方法唯一的因應方式是整個重新跑一次推論，把新的一幀當成全新的靜態場景處理。GG-CNN 論文本身雖然也強調「閉迴路」，但它的閉迴路做法是持續重新拍照、重新推論、重新算出目標抓取姿態去驅動視覺伺服控制，本質上仍是「反覆重跑靜態偵測」，而不是對抓取姿態本身建立跨幀的對應關係。

AnyGrasp 補上的正是這一塊：不對「物體」做追蹤，而是對每一個抓取姿態學一個 256 維 Embedding，靠跨幀 Embedding 相似度直接找出「這是同一個抓取姿態在下一幀的位置」，這是一個多目標關聯（data association）問題的解法，而不是單一物體的狀態估計。這也是為什麼 AnyGrasp 需要稠密（1024 個候選）輸出——只有候選夠密、覆蓋物體表面夠完整，物體移動後附近才保證有足夠多候選可以匹配追蹤，稀疏輸出的方法（不論是 GG-CNN 還是 Contact-GraspNet）都沒有這個結構性前提。

該怎麼選：依場景需求決策

任務確定只需要由上往下的平面抓取（物體平放在輸送帶、料架，夾爪固定垂直接近），GG-CNN 這類輕量 2D 方法在延遲與部署成本上有壓倒性優勢，不需要為了用不到的自由度多付運算成本。

任務需要任意角度接近、場景雜亂但物體在偵測到抓取姿態後基本靜止（箱中揀選、桌面雜物分類），Contact-GraspNet 這類針對靜態雜亂場景設計的 6 自由度方法是更務實的起點——4 維參數化的學習效率與端到端架構，能在不需要時序追蹤的額外複雜度下，補齊 GG-CNN 做不到的接近角度。

任務裡物體可能被人為干擾、持續移動、或是動態場景（人機協作、輸送帶上移動中的物體、非剛性動態物體），AnyGrasp 原生的時序關聯能力是結構性的必要條件——沒有跨幀追蹤，系統遇到物體移動只能反覆重新偵測，抓取成功率會隨干擾程度明顯下降。

實務上這條選型路徑也大致對應著研究演進的方向：先解決「抓不抓得到」（平面抓取），再解決「抓得穩不穩、角度夠不夠廣」（靜態 6 自由度），最後才解決「物體動了怎麼辦」（時序追蹤）——把場景的實際需求對應到這條能力階梯上的哪一階，往往比單看任何單一效能指標更能決定該選哪一種方法。